孙 潇，徐金东

（烟台大学计算机与控制工程学院，山东烟台 264005）

0 引言

随着对地观测技术的快速发展，卫星遥感和航空遥感提供了高空间分辨率和光谱分辨率的遥感图像［1-4］。但对于任何光学遥感成像传感器，大气都是不可避免的噪声源，如雾、霾、雪、灰尘或废气和云。因此，对遥感图像有效去雾和保持地表原始细节之间的平衡非常重要。

为了提高遥感图像的质量，解决不适定的去雾问题，提出了许多基于先验的算法［5-7］。这些方法将雾作为频率域中的一种特殊低频成分［8-15］，但在抑制雾成分的同时，无雾区域中的原始低频信息可能被损坏。因此，基于先验的算法性能很大程度上取决于雾区域检测的准确性。也有利用统计学方法进行图像去雾，例如雾度优化变换（Haze Optimized Transformation，HOT）［16］方法简单且具有鲁棒性，但HOT方法在没有充分利用原始图像中空间相关性的情况下性能受到了一定的限制。另外一些基于光谱分析的方法主要依赖于光谱域内的互补信息［17-18］。文献［19］中提出基于经验辐射转移模型寻找可见光和近红外波段之间的光学数据关系，去除可见光波段中的雾和薄云。当波段有限时，它们通常无法工作。目前已涌现出许多基于深度学习的去雾方法［20-24］，在给定成对的彩色室内带雾图像及其真实图像组成的数据库上学习去雾，文献［20］介绍了一种去雾网络，通过特征提取、局部极值、非线性回归和多尺度映射形成的端到端的卷积神经网络系统去雾，最新自然图像去雾专注于使用生成对抗网络（Generative Adversarial Network，GAN）［25］或 Conditional GAN［26］训练模型，但均需大量训练样本对。……